La gestion de la chaîne d'approvisionnement repose sur des prévisions, qu'elles soient implicites ou explicites.
La dimensionnement des stocks basé sur la consommation moyenne passée suppose que la consommation future ressemblera à cette histoire, c'est donc une prévision implicite.
Soyons honnêtes, personne ne fait confiance aux prévisions. Tout le monde sait que la demande réelle sera différente des prévisions.
L'Institut Demand Driven souligne que :
- Les prévisions sont erronées
- Plus ils sont en avance, plus ils sont inexacts
- Plus ils sont détaillés, plus ils sont inexacts
Mais quand les prévisions sont-elles les plus utiles ?
L'utilité d'une prévision se mesure à sa capacité à éclairer une décision.
À long terme ?
Examinons le graphique ci-dessous qui présente, d'une part, en bleu plein, l'historique de la demande, en rouge, la prévision statistique basée sur cet historique, et en pointillés violets, les besoins clients communiqués pour les semaines à venir.
Une image contenant du texte, une police, un diagramme, une ligne
Le contenu généré par l'IA peut être inexact.
Que peut-on déduire de ce graphique ?
D'une part, nous pouvons constater qu'à court terme — dans le cas de ce flux B2B, 16 semaines — nous avons un meilleur signal de demande que la prévision statistique. Il est probablement préférable de faire confiance à la ligne pointillée violette plutôt qu'à la projection rouge.
Cependant, nous n'allons pas forcément croire aveuglément à ces chiffres. Une exigence client partagée sur les 16 prochaines semaines est susceptible d'évoluer, et si l'on regarde ce graphique semaine après semaine, il y a fort à parier que l'on constatera que les sinusoïdes violettes fluctuent d'une semaine à l'autre. Le signal est indéniablement meilleur, mais il est bruité. Il s'agit toujours d'une prévision, à l'exception du tout début de l'horizon, où l'appel client de livraison est définitif.
Au-delà de 16 semaines ? Eh bien, il n'y a pas d'autre choix : tout ce que nous avons, c'est une prévision. Donc, si vous devez prendre des décisions au-delà de 16 semaines, la meilleure information dont vous disposez – ou la moins mauvaise – est la prévision, basée sur une analyse de données historiques et enrichie de tous facteurs causaux.
Devez-vous prendre des décisions au-delà de 16 semaines ? Le plus probablement, par exemple, investir dans du nouvel équipement pour augmenter la capacité prendra plus de 16 semaines.
On peut donc conclure de cet exemple qu'à long terme, la prévision est utile – surtout pour votre processus S&OP. C'est dommage, car plus la prévision est lointaine, plus elle est imprécise, n'est-ce pas ?
La clé pour rendre cette prévision lointaine, et donc grossièrement inexacte, utile – c'est-à-dire pour vous aider à prendre de bonnes décisions – est de la traiter au niveau le plus agrégé possible et d'évaluer plusieurs hypothèses et scénarios.
À court terme ?
À court terme, direz-vous à juste titre, il faut considérer les demandes réelles exprimées par le client et les prévisions ne sont pas pertinentes. Vous avez probablement raison, si l'on se base sur l'exemple précédent.
Mais imaginons un instant que vous soyez un détaillant physique ou un détaillant en ligne. Vous n'avez aucune commande ferme. Un visiteur entrera dans l'un de vos magasins ou se connectera à votre site web et effectuera un achat… à condition que vous ayez l'article en stock. Sinon, les ventes seront perdues.
Comment assurer la disponibilité ? Il faut un signal pertinent pour réapprovisionner votre magasin ou votre entrepôt. Le premier signal, et le plus naturel, est le renouvellement de la consommation. C'est le principe du flux tiré au cœur d'Intuiflow. Nous synchronisons le réapprovisionnement au rythme de la consommation réelle, éventuellement ajusté par des facteurs causaux tels que les promotions.
Dans ce contexte, une prévision à très court terme peut également s'avérer utile. Elle peut permettre un réapprovisionnement plus fin d'un point de vente particulier, car les prévisions météo pour cette ville côtière samedi annoncent du beau temps, c'est le premier samedi des vacances et il y a une fête foraine locale qui devrait attirer beaucoup de monde. Nos collègues experts en Algorithmique du commerce de détail ont développé des algorithmes d'IA et de réapprovisionnement très convaincants dans ce domaine.
En fait, à très court terme, une prévision très détaillée peut être utile pour la prise de décision, bien que plus elle est détaillée, plus elle risque d'être erronée…
À long ou court terme, les prévisions doivent être utilisées judicieusement.
Je propose les hypothèses suivantes :
À long terme, une prévision agrégée déclinée en scénarios peut s'avérer utile pour éclairer les décisions et préparer l'entreprise à s'adapter.
À court terme, les commandes et la consommation réelles sont de meilleurs indicateurs — sauf dans les cas d'utilisation de la vente au détail/commerce électronique où un algorithme peut capturer des informations causales plus pertinentes : un événement local, le fil d'un influenceur, etc. Cela nécessite que vous ayez correctement conçu votre chaîne d'approvisionnement avec des points de découplage pour permettre un réapprovisionnement fréquent et rapide.
À très court terme, une prévision très détaillée peut être utile. La météo de votre ville pour les heures à venir est sans aucun doute utile pour décider si vous devez emporter votre sweat à capuche en sortant.
Entre les deux ? À vous de définir votre modèle d'adaptation pragmatique…
N'hésitez pas à nous contacter pour que nous puissions vous aider dans ce processus !
A propos de l'auteur
Bernard Milian
Bernard Milian est un expert de premier plan en DDMRP et ancien dirigeant chez Demand Driven Technologies, maintenant intégré à l'équipe Algo. En tant qu'instructeur certifié DDP Master avec plus de 30 ans d'expérience, il se spécialise dans l'aide aux organisations mondiales pour tirer parti des stratégies axées sur la demande afin d'optimiser le flux de la chaîne d'approvisionnement.
